Python怎样画图表_Python数据可视化绘图教程汇总-Python教程-PHP中文网

Python中常用Matplotlib、Seaborn、Plotly等库进行数据可视化，适用于不同场景：Matplotlib适合基础绘图与高度自定义，Seaborn擅长统计分析与美观图表，Plotly用于交互式Web图表。常见图表包括折线图（趋势）、散点图（关系）、柱状图（比较）、直方图（分布）、箱线图（分布与异常值）、热力图（矩阵相关性）、小提琴图（分布形状）等。选择图表需根据数据类型、变量数量及展示目的，结合颜色、标签、注解、子图等进行专业优化，提升可读性与表达效果。

python怎样画图表_python数据可视化绘图教程汇总

Python中绘制图表，核心在于利用其强大的数据处理能力结合各种专业的可视化库。这不仅仅是把数据点画出来，更重要的是通过图形直观地揭示数据背后的模式、趋势和洞察。我们主要会用到Matplotlib、Seaborn、Plotly等工具，它们各有千秋，能够满足从基础统计分析到复杂交互式报表的不同需求。选择哪个库，很大程度上取决于你对图表美观度的要求、是否需要交互功能，以及你处理的数据类型和规模。

解决方案

在我看来，Python的数据可视化是一个从基础到高级，从静态到交互的演进过程。我们通常会从最基础、最灵活的Matplotlib开始，逐步过渡到更高级、更美观的Seaborn，如果需要交互性，Plotly或Bokeh则是很好的选择。

1. Matplotlib：Python绘图的基石 Matplotlib是Python最老牌、也是最基础的绘图库。它提供了非常底层的控制，几乎可以自定义图表的每一个细节。这就像是给了你一套完整的画笔、颜料和画布，你可以画出任何你想要的东西，但可能需要多花一些力气。

一个简单的折线图示例：

import matplotlib.pyplot as plt
import numpy as np

# 准备数据
x = np.linspace(0, 10, 100)
y = np.sin(x)

# 创建图表
plt.figure(figsize=(8, 4)) # 设置图表大小
plt.plot(x, y, label='sin(x)函数') # 绘制折线
plt.title('简单的正弦函数曲线') # 添加标题
plt.xlabel('X轴') # X轴标签
plt.ylabel('Y轴') # Y轴标签
plt.legend() # 显示图例
plt.grid(True, linestyle='--', alpha=0.6) # 添加网格线
plt.show() # 显示图表

登录后复制

Matplotlib的优点在于其无与伦比的灵活性和广泛的社区支持。但缺点也很明显，默认样式可能不那么美观，而且对于复杂的统计图表，代码量会相对较大。

立即学习“Python免费学习笔记（深入）”；

2. Seaborn：统计数据可视化的利器 Seaborn是建立在Matplotlib之上的高级统计绘图库。它封装了Matplotlib的许多复杂操作，使得绘制美观且信息丰富的统计图表变得异常简单。我个人认为，Seaborn在探索性数据分析（EDA）阶段表现非常出色，它能让你快速洞察数据间的关系。

一个简单的散点图示例，展示两个变量的关系：

import seaborn as sns
import matplotlib.pyplot as plt
import pandas as pd

# 加载Seaborn自带的数据集，例如鸢尾花数据集
iris = sns.load_dataset('iris')

# 绘制散点图，按物种颜色区分
plt.figure(figsize=(8, 6))
sns.scatterplot(x='sepal_length', y='sepal_width', hue='species', data=iris, s=100, alpha=0.7)
plt.title('鸢尾花花萼长度与宽度的关系')
plt.xlabel('花萼长度 (cm)')
plt.ylabel('花萼宽度 (cm)')
plt.grid(True, linestyle=':', alpha=0.5)
plt.show()

登录后复制

Seaborn的优势在于其默认样式就非常专业和美观，并且提供了许多专门用于统计分析的图表类型（如箱线图、小提琴图、热力图等），大大简化了代码。

3. Plotly/Bokeh：交互式图表的选择 当我们需要图表具备缩放、平移、悬停显示信息等交互功能时，Plotly和Bokeh就派上用场了。它们生成的图表可以在Web浏览器中运行，非常适合构建动态仪表板或数据报告。Plotly尤其受欢迎，因为它不仅支持Python，还支持R、JavaScript等多种语言。

Plotly的一个简单交互式散点图示例（通常在Jupyter Notebook或类似环境中运行效果最佳）：

import plotly.express as px
import pandas as pd

# 同样使用鸢尾花数据集
iris = px.data.iris()

# 创建交互式散点图
fig = px.scatter(iris, x="sepal_width", y="sepal_length", color="species",
                 size='petal_length', hover_data=['petal_width'])
fig.update_layout(title_text='交互式鸢尾花花萼长度与宽度关系', title_x=0.5)
fig.show()

登录后复制

这些库的引入，让Python的可视化能力从静态报告扩展到了动态探索，这对于现代数据分析和Web应用开发来说至关重要。

如何根据数据类型和需求选择最合适的Python绘图库？

这其实是我在日常工作中经常遇到的一个问题。选择合适的绘图库，就像选择合适的工具箱，不是说哪个最好，而是哪个最适合当前的任务。

如果你是一个初学者，或者你的需求仅仅是快速绘制基础图表（如折线图、柱状图、散点图）来理解数据，那么我强烈建议从Matplotlib开始。掌握了Matplotlib，你就理解了Python绘图的底层逻辑和核心概念，这对于后续学习其他库非常有帮助。它就像是学习编程语言的基础语法，虽然可能有点“原始”，但却是构建一切的基石。

当你的目标是进行探索性数据分析（EDA），需要绘制美观且信息丰富的统计图表，比如要看数据的分布（直方图、密度图）、分类变量间的关系（箱线图、小提琴图）、或者多个变量间的相关性（热力图、配对图），那么Seaborn无疑是你的首选。它在Matplotlib的基础上做了大量优化和封装，让你用更少的代码就能生成高质量的统计图形。Seaborn的默认配色和样式通常也比Matplotlib更具专业感，省去了我们大量的调优工作。在我看来，Seaborn是数据科学家和分析师的“瑞士军刀”。

如果你的项目需要交互式图表，例如，你正在构建一个Web仪表板，希望用户能够缩放、平移图表，或者在鼠标悬停时显示详细信息，那么Plotly或Bokeh是不可替代的。它们能够生成可以在浏览器中渲染的HTML/JavaScript图表。Plotly尤其出色，因为它提供了一套高级的API（如

plotly.express

登录后复制

），可以非常简洁地生成复杂的交互式图表。对于需要将数据可视化结果分享给非技术用户，并允许他们进行一定程度的自主探索的场景，交互式图表是最佳选择。

此外，还有一些特定场景的库：

Pandas自带的绘图功能：如果你主要在处理DataFrame，Pandas的
```
.plot()
```
登录后复制
方法非常方便，它其实是Matplotlib的简单封装，用于快速查看DataFrame的列数据。
Folium：如果你的数据包含地理位置信息，需要绘制地图可视化，Folium是一个非常棒的选择，它能将Python数据与Leaflet.js库结合，生成交互式地图。
Altair：基于Vega-Lite语法的声明式可视化库，对于需要高度可定制的交互式图表，并且喜欢声明式编程风格的开发者来说，它提供了一种不同的思路。

总结一下，我的选择哲学是：Matplotlib打基础，Seaborn做分析，Plotly/Bokeh搞交互。通常，一个项目里可能会同时用到这些库，根据不同的需求切换使用。

Python中常用的图表类型有哪些，分别适用于什么场景？

理解不同图表类型的适用场景，是做好数据可视化的关键。选择错误的图表，可能会误导读者，甚至掩盖数据中的真实信息。

折线图 (Line Plot)

爱图表
AI驱动的智能化图表创作平台

99

查看详情
- 适用场景： 主要用于展示数据随时间或有序类别变化的趋势。例如，股票价格走势、气温变化、网站访问量随月份的变化。
- 特点： 强调连续性和变化率。
- 示例库： Matplotlib的
```
plt.plot()
```
  登录后复制
  ，Seaborn的
```
sns.lineplot()
```
  登录后复制
  。
散点图 (Scatter Plot)
- 适用场景： 用于探索两个连续变量之间的关系或相关性。每个点代表一个数据观测，其位置由两个变量的值决定。也常用于识别异常值或数据簇。
- 特点： 显示个体数据点，揭示变量间的模式。
- 示例库： Matplotlib的
```
plt.scatter()
```
  登录后复制
  ，Seaborn的
```
sns.scatterplot()
```
  登录后复制
  。
柱状图 (Bar Chart)
- 适用场景： 比较不同类别之间的数据大小。可以是不同产品销量、不同地区人口数量等。
- 特点： 直观地比较分类数据。
- 示例库： Matplotlib的
```
plt.bar()
```
  登录后复制
  ，Seaborn的
```
sns.barplot()
```
  登录后复制
  （通常会显示置信区间）。
直方图 (Histogram)
- 适用场景： 显示单个连续变量的分布情况。它将数据分成若干个区间（bins），然后统计每个区间内数据点的数量。
- 特点： 了解数据集中值的频率分布、形状、中心趋势和离散程度。
- 示例库： Matplotlib的
```
plt.hist()
```
  登录后复制
  ，Seaborn的
```
sns.histplot()
```
  登录后复制
  。
箱线图 (Box Plot / Box-and-Whisker Plot)
- 适用场景： 展示一组数据的分布、中位数、四分位数、异常值。特别适合比较多个组数据的分布情况。
- 特点： 简洁地概括数据分布的五个关键点（最小值、第一四分位数、中位数、第三四分位数、最大值）。
- 示例库： Matplotlib的
```
plt.boxplot()
```
  登录后复制
  ，Seaborn的
```
sns.boxplot()
```
  登录后复制
  。
热力图 (Heatmap)
- 适用场景： 用于可视化矩阵数据，例如相关性矩阵、混淆矩阵。通过颜色的深浅来表示数值的大小。
- 特点： 直观地显示数据矩阵中的模式和强度。
- 示例库： Seaborn的
```
sns.heatmap()
```
  登录后复制
  。
饼图 (Pie Chart)
- 适用场景： 显示各部分在整体中所占的比例。
- 特点： 简单直观，但通常建议慎用，因为人眼对角度的感知不如对长度或面积的感知准确，尤其是在类别过多或比例相近时。多数情况下，柱状图或堆叠柱状图是更好的替代。
- 示例库： Matplotlib的
```
plt.pie()
```
  登录后复制
  。
小提琴图 (Violin Plot)
- 适用场景： 结合了箱线图和核密度估计，展示了数据分布的形状以及中位数、四分位数。
- 特点： 比箱线图能更清晰地展示数据分布的细节，特别是多峰分布。
- 示例库： Seaborn的
```
sns.violinplot()
```
  登录后复制
  。

选择图表时，我通常会问自己几个问题：我想展示什么？数据是连续的还是分类的？有多少个变量？我的受众是谁？这些问题往往能帮助我快速锁定最合适的图表类型。

如何对Python图表进行高级定制和优化，使其更具专业性？

仅仅画出图表是不够的，很多时候，我们需要对图表进行精细的定制和优化，让它不仅能准确传达信息，还能看起来专业、美观，甚至能“讲故事”。这就像是给你的数据穿上得体的衣服，而不是仅仅裸露在外。

调整颜色与样式：
- 调色板： Seaborn提供了丰富的调色板（
```
palette
```
  登录后复制
  参数），例如
```
'viridis'
```
  登录后复制
  、
```
'plasma'
```
  登录后复制
  、
```
'deep'
```
  登录后复制
  等，或者自定义颜色列表。Matplotlib也可以通过
```
cmap
```
  登录后复制
  参数或直接指定颜色代码。选择合适的颜色能够增强图表的可读性和美观度，避免使用过于刺眼或难以区分的颜色。
- 线条样式与标记： Matplotlib的
```
plt.plot()
```
  登录后复制
  可以设置
```
linestyle
```
  登录后复制
  （如
```
'--'
```
  登录后复制
  虚线）、
```
marker
```
  登录后复制
  （如
```
'o'
```
  登录后复制
  圆点）、
```
linewidth
```
  登录后复制
  等。
- 整体风格： Matplotlib有
```
plt.style.use()
```
  登录后复制
  （如
```
'ggplot'
```
  登录后复制
  、
```
'seaborn-v0_8'
```
  登录后复制
  ），Seaborn有
```
sns.set_style()
```
  登录后复制
  （如
```
'whitegrid'
```
  登录后复制
  、
```
'darkgrid'
```
  登录后复制
  ）来快速应用一套预设的图表风格。我个人很喜欢
```
'seaborn-v0_8'
```
  登录后复制
  系列和
```
'ggplot'
```
  登录后复制
  ，它们能让图表瞬间提升好几个档次。
精细化坐标轴与标签：
- 轴标签与标题：
```
plt.xlabel()
```
  登录后复制
  ,
```
plt.ylabel()
```
  登录后复制
  ,
```
plt.title()
```
  登录后复制
  是基础，但更进一步，可以调整字体大小、颜色、位置。
- 刻度标签：
```
plt.xticks()
```
  登录后复制
  ,
```
plt.yticks()
```
  登录后复制
  可以用来调整刻度值、旋转刻度标签（
```
rotation
```
  登录后复制
  参数），特别是当标签过长时。
- 轴范围：
```
plt.xlim()
```
  登录后复制
  ,
```
plt.ylim()
```
  登录后复制
  用于设定坐标轴的显示范围，避免数据点过于集中或分散。
- 对数刻度： 对于数据范围差异巨大的情况，使用
```
plt.yscale('log')
```
  登录后复制
  或
```
plt.xscale('log')
```
  登录后复制
  可以更好地展示数据。
添加图例与注解：
- 图例 (Legend)：
```
plt.legend()
```
  登录后复制
  是必不可少的，它解释了图中不同元素代表的含义。可以调整图例的位置（
```
loc
```
  登录后复制
  参数，如
```
'upper right'
```
  登录后复制
  ）、字体大小等。
- 文本注解 (Text Annotation)：
```
plt.text(x, y, '文本内容')
```
  登录后复制
  或
```
plt.annotate('文本', xy=(x, y), xytext=(x_text, y_text), arrowprops=dict(facecolor='black', shrink=0.05))
```
  登录后复制
  可以用来在图表中特定位置添加文字说明或箭头，突出关键数据点或解释趋势。这对于“讲故事”非常重要，能够直接引导读者的注意力。
创建子图 (Subplots)：
- 当需要在一个图形中展示多个相关联的图表时，子图非常有用。Matplotlib的
```
plt.subplots(rows, cols)
```
  登录后复制
  是最常用的方法。Seaborn的
```
sns.FacetGrid()
```
  登录后复制
  和
```
sns.PairGrid()
```
  登录后复制
  则提供了更高级的、基于类别变量的子图布局。
- 子图能帮助我们并排比较不同数据切片或不同变量间的关系，避免信息过载，同时保持图表的整体性。
交互性增强（对于Plotly/Bokeh等）：
- 悬停信息 (Hover Data)： Plotly的
```
hover_data
```
  登录后复制
  参数可以让你在鼠标悬停在数据点上时显示额外的信息，这大大提升了图表的探索性。
- 自定义工具栏： 调整交互式图表右侧的工具栏选项，例如只保留缩放和平移功能。
- 动态更新： 结合Dash等框架，可以构建动态更新的交互式仪表板。
保存与输出：
- 高质量输出：
```
plt.savefig('my_plot.png', dpi=300, bbox_inches='tight')
```
  登录后复制
  。
```
dpi
```
  登录后复制
  参数控制分辨率，
```
bbox_inches='tight'
```
  登录后复制
  可以裁剪掉多余的空白边缘。
- 矢量图格式： 对于需要印刷或在不同分辨率下保持清晰的图表，保存为SVG (
```
.svg
```
  登录后复制
  ) 或PDF (
```
.pdf
```
  登录后复制
  ) 格式是更好的选择，它们是矢量图，无论放大多少倍都不会失真。